基于pytorch搭建VGGNet神经网络用于花类识别
写在前面
上一篇写过基于pytorch搭建AlexNet神经网络用于花类识别项目实战，建议阅读此篇前先弄明白上篇所述之事🍍🍍🍍此外本节搭建的网络模型是VGG，需要你对VGG的网络结构有较深入的了解，还不清楚的戳此图标☞☞☞了解详情。
这篇文章同样是对花的类别进行识别，和上一篇使用AlexNet进行识别整体步骤是完全类似的，主要区别就是网络的结构有所不同，因此，本节将只针对VGG的网络结构搭建进行详细的讲解，其余部分基本和上一篇一致，不再赘述，大家自行下载代码进一步研究。
VGGNet网络模型搭建
这一部分的代码可能真的能让你感受到代码之美，写的确实太漂亮了🍁🍁🍁首先我们知道VGG一共有四种结构，分别为VGG11、VGG13、VGG16、VGG19。我想若是让我们单独的构建一种VGG网络是不难办到的，VGG这种直筒型的结构用代码实现是较容易的。官方的demo中通过一个字典将4中结构的VGG网络放在了一起，只需要我们在调用的时候传入相关参数就可以了，实在是太妙了！！！下面让我们一起来学习一下🥗🥗🥗
首先我们定义了一个字典cfgs，字典中有四个键值对，每个键对应VGG的一种结构，每个值是对应结构中的一些参数。
cfgs = { 'vgg11': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'], 'vgg13': [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'], 'vgg16': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M'], 'vgg19': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512, 'M'], }
具体的，我们拿vgg16来进行相关解释：
有了这个字典之后，我们就可以通过传入相关参数来构建特征提取层：
# 在cfgs传入"vgg16"，得到一个列表cfg #cfg = [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M'] cfg = cfgs["vgg16"] #定义特征提取层函数make_features，将cfg作为参数传入 def make_features(cfg: list): layers = [] in_channels = 3 #遍历整个cfg列表 for v in cfg: #若v的值为"M",则在层结构layers中添加一个最大池化层，其kernel_size=2, stride=2 if v == "M": layers += [nn.MaxPool2d(kernel_size=2, stride=2)] #若v值为数字，则在层结构layers中添加一个卷积层核和Relu激活函数 else: conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1) layers += [conv2d, nn.ReLU(True)] in_channels = v return nn.Sequential(*layers)
通过上面程序，我们可以来看一下得到的layers内部的部分结构【只选了前几个层】，如下图所示：
接下来我们可以来构建我们的分类层，即全连接层的部分：
self.classifier = nn.Sequential( nn.Linear(512*7*7, 4096), nn.ReLU(True), nn.Dropout(p=0.5), nn.Linear(4096, 4096), nn.ReLU(True), nn.Dropout(p=0.5), nn.Linear(4096, num_classes) )
这些都准备好之后，我们就可以来定义我们的网络模型了，如下所示：
class VGG(nn.Module): def __init__(self, features, num_classes=1000): super(VGG, self).__init__() self.features = features self.classifier = nn.Sequential( nn.Linear(512*7*7, 4096), nn.ReLU(True), nn.Dropout(p=0.5), nn.Linear(4096, 4096), nn.ReLU(True), nn.Dropout(p=0.5), nn.Linear(4096, num_classes) ) if init_weights: self._initialize_weights() def forward(self, x): # N x 3 x 224 x 224 x = self.features(x) # N x 512 x 7 x 7 x = torch.flatten(x, start_dim=1) # N x 512*7*7 x = self.classifier(x) return x
至此，我们的模型就创建完毕，最后让我们来看看我们刚刚创建的VGG模型结构：
训练结果展示
本篇文章不再详细讲解训练步骤，和基于pytorch搭建AlexNet神经网络用于花类识别基本一致。这里展示一下训练结果，如下图所示：
其准确率达到了0.761，我们可以再来看看我们保存的VGG模型,如下图，可以看出VGG用到的参数还是很多的，有500+M，这和我们的理论部分也是契合的。
小结
对于这一部分我强烈建议大家去使用Pycharm的调试功能，一步步的看每次运行的结果，这样你会发现代码结构特别的清晰。
参考视频：https://www.bilibili.com/video/BV1i7411T7ZN/?spm_id_from=333.788🌸🌸🌸
